[讨论]雷达辐射源识别

目前，雷达信号识别主要包括辐射源识别和目标识别。对于信号识别这个领域，现在的热点和难点在哪些方面？希望各位同仁一起讨论。另外一个方面，这方面的新技术主要有哪些？或者说现在主要用于信号识别的前沿技术是什么？如果需要交流，请发邮件joysyj@163.com

---

按照你的观点，信号识别包含的领域太广，无法给你的问题哪怕一个简要的答案。总体来说，辐射源识别要比目标识别简单的多，因为辐射源信号形式相对单一，信干比强。

---

辐射源识别，本人认为应该分成两个部分：信号有意调制的特征的提取和无意特征的提取，而无意特征恰恰是反映雷达辐射源的＂指纹＂特征．目前，在一般的环境下，识别辐射源并不困难，可是在复杂的信号环境下，辐射源识别仍然是一个具有挑战性的课题．当然，首要的是能够反映各种辐射源信号的本质特征的提取．．．．

---

雷达辐射源信号识别研究开始于上世纪70年代，国外雷达对抗人员称之为雷达指纹识别。我国电子对抗人员在上世纪80年代初开始研究雷达辐射源信号模式识别技术[2]。经过30多年的发展，雷达辐射源识别技术取得了很大进步，从整个发展历程来看，大致可划分为以下三个阶段：第一阶段主要采用特征参数匹配法（数据库匹配法），这是上世纪七、八十年代雷达辐射源识别主要采用的方法，由于它算法较为简单，识别速度快，这种方法仍然还有一些厂家在继续使用。特征参数匹配法的主要特点是对原始数据不采用相关、变换等技术处理，直接将测量得到的一个或多个信号特征参数（如CF、PRF、PW、TOA、AOA等）与数据库中的相应特征参数进行匹配而识别出辐射源的属性。当空间雷达辐射源信号脉冲流的密度不高，雷达各个特征参数都基本恒定时，特征参数匹配法是比较有效的，因而这种方法主要适用于常规雷达辐射源信号和特征参数基本不变的雷达信号识别问题。现有的主要方法有：M距离识别法[9，10]、模板匹配法[11]、模糊匹配法、灰关联分析法[12～14]和属性测度识别法[15～18]。但随着雷达技术的发展，这种参数匹配法的不足就逐渐暴露出来，主要体现在以下两个方面：1）由于特征参数匹配法所采用的参数均为外部特征参数，没有考虑雷达辐射源信号的脉内调制特性，随着复杂体制雷达的迅速增加并逐渐占居主导地位，如现代军用雷达多采用频率调制、相位调制、频率捷变、频率分集、脉冲压缩等技术，仅仅依靠参数匹配是无法有效识别出这些新体制雷达。2）没有利用专家的经验知识，没有学习和拓展能力，缺乏灵活性，无法识别数据库未出现的新雷达辐射源。第二阶段的雷达辐射源识别引入了人工智能技术，用以改善处理器的性能和提高识别准确率。从1985年开始，英国海军研究部（ARE）以及它支持的菲利普研究所（PRL）都开始研究人工神经网络（ANN）在辐射源信号识别中的应用，并开始探索新的人工智能（AI）技术在电子侦察中的应用[19~21]。1988年，Eaton公司的一个子公司AIL也开始将专家系统应用到电子战（EW）中来提高设备的性能，辐射源信号识别是AIL研究计划的第一部分内容[22]。从此，随着人工智能技术的发展，ANN、专家系统（ES）、模糊逻辑（FL）和进化计算（EC）等都陆续引入到辐射源信号识别中来。ARE和PRL将专家的一些先验知识运用来建立识别数据库系统，将CF、PW和脉冲重复间隔（PRI）三参数作为ANN的输入来建立辐射源识别系统，经过几年的努力，取得了大大优于传统识别方法的成果[19~21]。AIL也主要用辐射源的CF、PW和PRI三参数与专家经验知识结合，建立了初步的专家识别系统[22]。ARE、PRL和AIL的研究都表明了AI技术在辐射源识别中具有很大的应用潜力，同时，Roe和Whalley都指出，将AI运用到雷达辐射源信号识别中来提高电子侦察系统的识别能力是非常有必要的[19,23]。文献[7，24～28]均是在探索ANN在辐射源信号识别中的应用。牛海等将小波特征作为神经网络的输入来识别常规雷达信号、频率捷变雷达信号和脉冲雷达信号[24]；Granger等用PW、CF、PRI、PA和AOA组成脉冲描述字(PDW)来识别不同的辐射源信号[25]；王建华等将FL和ANN结合设计分类器，将雷达类型和参数CF、PRF、PW作为特征对4种舰载雷达辐射源进行了分类识别[26]；唐斌等将免疫算法引入到神经网络中，将CF、PRF、PW、天线扫描周期、波束宽度和极化方式6个参数构成特征向量对7种雷达信号进行了识别[27]；张国柱等将CF、PRF、PW、调制样式和小波特征作为神经网络的输入对雷达辐射源识别进行了研究[28,29]。由于神经网络具有较强的学习能力和模式识别能力，且具有较好的泛化能力，所以，基于神经网络的辐射源识别法比基于专家知识的识别方法具有更大的灵活性和拓展能力。人工智能技术的引入使传统识别方法中融入了人的“智能”因素，如神经网络的学习和泛化能力、专家系统的推理规则等，这样，雷达辐射源信号识别技术又向前迈了一大步，但是，从前面的分析可看出，神经网络的输入仍然采用的是辐射源信号的几个外部特征参数，并没有根据雷达信号本身的特点进行特征提取和分类识别，且这些方法主要用来识别常规雷达辐射源信号，仍然没有很好地解决复杂体制雷达信号的识别问题。在现代战争中，常规雷达所占的份额己很小，新体制雷达占据了相当大的比例，因此，新型复杂体制雷达辐射源信号的识别是当前及今后急需要解决的紧迫问题。上世纪80年代末期到90年代初，电子对抗人员开始探索雷达辐射源信号的脉内细微特征[30,31]，这使雷达辐射源识别技术跨入到了第三阶段，即脉内特征分析阶段。近年来雷达对抗人员对辐射源信号脉内特征分析给予了极大关注，并做了一些有益的探索。文献[32~46]分别对时域自相关法、数字中频法、调制域分析法、延迟相关技术、相干检波技术、复倒谱分析技术和Wigner变换等脉内特征分析法的特点进行了分析;阎向东等采用时频综合分析法对相位编码雷达信号和线性调频雷达辐射源信号( LFM)进行了分析[31];魏东升等和赵拥军等对LFM, V型调频、频率编码等雷达辐射源信号进行了时频分析[37,38];曲长文等将小波变换引入到脉内调制分析中[39];韩国成等以LFM和非线性调频雷达辐射源信号(NLFM)为例，对Wigner变换、小波变换和瞬时相位微商三种方法进行了比较研究[40]; Kawalec等从辐射源信号的脉冲内提取出了一些特征，如脉冲的上升时间、下降时、爬行时间(( time of slope )、上升角度、下降角度和回归线(( line of regression )，实验结果表明这些特征组成的特征向量能获得比基本的三参数(CF, PRI和PW)构成的特征向量有更好的识别效果[41]。以上提到的脉内特征分析的一系列方法识别出的辐射源的种类主要限于少数两三种，主要还是作定性分析，较少作定量分析，且很少考虑噪声的影响，并且还没有一个普遍适用的方法。从雷达辐射源信号识别的整个发展过程来看，辐射源识别技术总是远远落后于雷达本身的反侦察、反干扰技术。美、英、法等发达国家在辐射源信号识别方面具有明显的领先优势，我国对新型复杂体制雷达辐射源信号的识别水平距美国等发达国家还有较大差距。导致目前这种现状的根本原因在于，我国缺乏雷达辐射源信号识别的系统理论研究，缺乏能有效支持雷达辐射源信号识别技术改进的理论根据。

---

对于脉内特征的识别，国内提出了很多种方法，所提取的特征也是各不相同，可以看看张葛祥和张国柱他们的博士论文，相关的方法很多的。但是都是针对某一种或者几种体制的雷达进行识别，目前国内还没有一个统一的方法去进行脉内调制特征的识别，美国这方面好像已经装备了。针对脉内个体特征的识别，国内则很少有人去研究，美国这个方面的研究叫特定雷达辐射源识别。

---

雷达的脉内特征 脉内特征包括脉内调制特征和个体特征[3,30,31]。人们通过对雷达信号脉内调制特征和个体特征的分析研究，发现有可能将雷达信号的分选识别建立在短时观测数据的基础上，尤其是利用雷达信号个体特征可以唯一确定一部雷达，无疑这将使雷达信号侦察技术提高到一个新的水平。 雷达脉内调制特征又称为有意调制特征或者功能性调制特征，是指雷达为提高其检测性能、对抗侦察和干扰措施而采取的特定的调制样式，如线性调频、非线性调频、频率编码、相位编码等。对脉内有意调制方式的识别，从调制方式的变化上为雷达信号的进一步识别提供了一种与常规方法不同的全新手段。并且通过对信号脉内信息的详细记录和分析，保留了有关信号的全部信息特征，为脉间参数变化(如频率捷变、频率分集、脉冲多普勒、重频参差和抖动等)的新体制雷达信号的分析与识别提供了一个更强有力的手段。目前，辐射源信号脉内调制特征分析的一般方法[32~46]有：时域自相关法、调制域分析法、复倒谱分析技术、延迟相关技术、Wigner变换和数字中频法等方法。时域自相关法只能有效区分LFM和BPSK两种雷达信号，调制域分析法对测量器件的工艺水平和测量方法提出了很高的要求，对噪声较敏感，且不能提供雷达信号的幅度信息而无法进行工程实现，复倒谱法虽然在原理上可以直接提取出脉内调制函数，但处理中涉及解相位模糊等问题导致实现困难且精度很低，延迟相关法适合于人为判断，Wigner变换不能表征出信号瞬时相位的变化，不能用于脉内相位调制特性的分析，随着高速A/D变换器的出现，数字中频法是一项有应用潜力的技术，但还需要大力加以研究。 雷达信号的个体特征也称为雷达信号的“指纹”，是指附加在雷达信号上的无意调制。无意调制也称附带调制，是因雷达采用某种形式的调制器而附加在雷达信号上的某种特性，如幅度起伏、频率漂移等，这是某一部雷达所特有的信号属性。对雷达信号无意调制的分析可以为每一部雷达建立相应的“指纹”档案，与其它参数一起可以唯一识别出某一部特定的雷达，从而准确提供有关敌方雷达配置、调动等重要的军事情报。因此，这项技术在电子情报方面具有广泛的应用前景。重要的无意调制有两类：(1)附带调幅，即偏离理想的脉冲波形；（2)附带调相，即偏离理想的相位。电子战接收机接收到的是受到大气传播效应污染后的雷达信号，包含雷达信号本身的无意调制和传播中引入的畸变。雷达脉冲波形更易受大气传播效应的影响，使附带调幅成为不可靠的参数。附带调相比较稳定，是重要的无意调制参数。因此，个体特征主要研究的是附带调相特性。

---

存在的问题及发展的方向对于雷达辐射源识别，现有的比较成熟的办法当属数据库匹配法；神经网络方法由于其理论上还不是很成熟，且计算量很大，这一定程度上限制了它的实际应用；脉内特征方面的研究主要还是停留在理论探讨阶段，所提出的方法都是对某些体制雷达信号识别能力强，不具有通用性。下面着重讨论雷达辐射源识别中还存在的一些问题，同时简要介绍将来可能的发展方向：1）数据库匹配法尽管对新体制雷达的识别能力有所下降，但对常规雷达的识别能够做到快速高效，再加上国内主要还停留在数据库匹配识别阶段，因此对于此类方法的进一步改进很有必要。比如将多种方法得到的识别结果进行D-S组合有一定的研究价值；2）虽然神经网络具有较强的模式识别能力，能够在高维模式空间中形成复杂的判决曲面，且具有较好的容错能力和泛化能力，但神经网络不能对输入数据进行优选和简化，当输入向量维数较高时，网络结构复杂，训练时间较长。这就需要对神经网络的一些关键理论问题进行研究； 3）由于神经网络理论上缺乏实质性进展，使得支持向量机成为近年来国际上机器学习领域新的研究热点，这无疑会给辐射源识别带来新的动力；4）现有的脉内特征识别法具有很强的针对性，主要针对两三种雷达辐射源信号而提出的，对于其它类别的雷达信号，其有效性还不知道，或者说这些方法能识别出的辐射源信号的种类主要限于少数两三种，并且这些方法主要是作定性分析，较少作定量分析，且采用人工方式来进行雷达辐射源信号的判别，难以实现电子对抗装备的自动化及智能化，不能满足现代电子战和信息战的需要;5）在大量噪声干扰、SNR变化较大的情况下，对未知雷达辐射源信号识别问题；6）特征选择仍是当前模式识别、机器学习和数据挖掘领域研究的热点问题，受到广泛的关注，其最优特征集的评价准则和搜索策略的制定仍然是一个难题，尽管前人已做了不少工作，但那些方法还是存在着很多不足；7）粗集理论具有较强的定性分析能力和决策能力，能够对神经网 .. [bZASeh  
s\dhQZw3  

未注册仅能浏览部分内容，查看全部内容及附件请先 登录 或 注册